Большинство организаций неправильно измеряют бизнес-ценность, создаваемую агентным искусственным интеллектом. Новая концепция IDC объясняет, почему ценность нелинейна, затраты динамичны, а постоянная оценка рентабельности инвестиций не подлежит обсуждению, пишет в корпоративном блоге Андреа Сивьеро, старший директор IDC по исследованиям стратегии бизнеса, основанной на ИИ.
Существует хорошо отработанная методика расчета рентабельности инвестиций в ИТ. Определите базовый уровень, смоделируйте повышение эффективности, спрогнозируйте экономию затрат и представьте цифры финансовому директору. Для большинства технологических инвестиций этот подход работает.
Агентный ИИ разрушает его.
В отличие от традиционных программных решений, агентный ИИ (системы, которые автономно выполняют многоэтапные задачи, принимают решения в реальном времени и взаимодействуют с внешними инструментами и другими агентами) не предоставляет фиксированный, предсказуемый результат в обмен на фиксированный, предсказуемый ввод. Агенты учатся. Они адаптируются. Они принимают решения автономно в рамках многоэтапных процессов, взаимодействуют с другими системами и другими агентами, а также создают ценность или риск, которые накапливаются таким образом, что традиционные модели ROI не способны их учитывать.
По данным исследования IDC, 42% организаций по всему миру уже сообщают, что оценка ROI их цифровых и ИИ-инвестиций затруднена или даже невозможна.
Основные препятствия: ограниченная прозрачность долгосрочного воздействия, неопределенные или противоречивые базовые показатели и отсутствие специализированного отдела или рабочей группы по оценке ценности ИИ. Агентный ИИ не решает эти проблемы. Он их усиливает.
Решение заключается не в прекращении измерений, а в изменении методов измерения.
Почему агентный ИИ требует новой системы оценки ценности
Основная проблема заключается в том, что ценность агентного ИИ нелинейна. Один агент, взаимодействующий с клиентом, конвейером данных и бэк-офисным процессом, не обеспечивает четкий процент производительности. Он генерирует результаты, определяемые качеством внедрения, границами автономности, петлями обратной связи, а также качеством данных и процессов, в рамках которых он работает.
Затраты представляют собой столь же сложную картину. Расходы на агентный ИИ охватывают лицензирование LLM и SLM, вызовы API, потребление токенов и облачную инфраструктуру, но основными факторами, определяющими затраты, часто являются оркестровка и управление. В рамках концепции IDC стоимость агентного ИИ определяется как фундаментально поведенческая, зависящая от того, как агенты получают промпты, как часто они используют внешние инструменты и насколько тщательно за ними следят. Предположение о линейном масштабировании затрат — одна из самых дорогостоящих ошибок, которые может совершить ИТ-руководитель.
Риск добавляет третье измерение. В агентных системах сбои распространяются. Неправильно настроенная граница принятия решений в одном агенте может каскадно распространяться на этапы, инструменты и последующие процессы таким образом, что статические модели риска этого не учитывают.
Шестикомпонентная структура для максимизации бизнес-ценности
Для решения этой проблемы IDC разработала схему максимизации бизнес-ценности агентного ИИ — структурированный подход, построенный на шести компонентах, через которых сквозной нитью проходит управление.
Стратегия. Агентный ИИ внедряет автономное принятие решений, поэтому стратегия должна определять, где автономия допустима, а где она ограничена. Результатом является не расплывчатое стремление к «лучшей производительности». Это многоплановая дорожная карта с ответственными за метрики, общая для всей организации и явно привязанная к приоритизации инвестиций. Организации, которые рассматривают агентов как инструменты, а не как автономных субъектов, обрекают себя на сбои в управлении, а не на повышение производительности.
Приоритизация сценариев использования. Не каждая проблема является проблемой, решаемой агентами. Внедрение агентного ИИ в узкие, изолированные задачи, с которыми прекрасно справляется детерминированная автоматизация, приводит к нерациональному расходованию инвестиций и добавляет ненужную сложность. Схема IDC вводит измерения приоритизации, специфичные для агентных контекстов: многоэтапные требования к рассуждениям, динамические потребности в принятии решений, сложность оркестровки и степень, в которой сама автономия создает ценность. Результатом является ранжированный, скорректированный по осуществимости портфель сценариев использования, а не список технически интересных экспериментов.
Картирование ценности. Картирование ценности позволяет привязать инвестиции в агентный ИИ к четким бизнес-результатам и предотвратить бесцельные эксперименты, которые раздувают бюджеты на ИИ без достижения измеримых результатов. Критически важно, что ценность агентного ИИ не статична. Она накапливается по мере того, как агенты учатся, адаптируются и расширяют сферу применения. Картирование ценности должно учитывать кривую обучения, а не только немедленный прирост эффективности, и должно включать нефинансовые факторы, такие как устойчивость и доверие клиентов, наряду с традиционными финансовыми показателями.
Расширенная модель затрат. Схема IDC предусматривает динамическую модель общей стоимости владения, которая отличает капитальные затраты от постоянных, специфических для ИИ операционных затрат и предоставляет FinOps-, юридическим и финансовым командам необходимую информацию для управления сложной экономикой агентного ИИ, основанной на использовании.
Корректировка рисков. Рентабельность инвестиций в агентный ИИ не должна представляться в виде единичной оценки. Она должна основываться на сценариях, быть привязана к траектории внедрения, качеству выходных данных и временным предположениям, и все это должно быть назначено конкретным ответственным лицам с документально подтвержденным уровнем доверия. Риск следует рассматривать как динамический, обновляемый по мере замены оценок реальными данными и моделируемый с учетом взаимозависимостей, которые делают сбои в агентных системах системными, а не изолированными.
Непрерывная оптимизация ценности. Анализ жизненного цикла развертывания агентных систем, проведенный IDC, показывает, что без активной настройки производительность агентов снижается по мере изменения контекста и накопления граничных случаев. Для поддержания устойчивой ценности необходимо рассматривать агентный ИИ как постоянную задачу управления жизненным циклом, а не как проект, который нужно завершить и передать в операционный отдел. Для этого необходим специализированный Центр передового опыта с четким графиком управления, определенными стандартами и организационным мандатом на обеспечение непрерывной оптимизации.
От концепции к действию
Схема IDC по максимизации бизнес-ценности агентного ИИ разработана для достижения шести конкретных результатов: дорожной карты автономности на несколько временных горизонтов, ранжированного портфеля сценариев использования, калькулятора бизнес-ценности, динамической модели совокупной стоимости владения, оценщика рисков на основе сценариев и модели управления жизненным циклом агента. Это не амбициозные результаты. Это минимальный набор инструментов, необходимых организации для управления агентным ИИ как бизнес-инвестицией, а не как технологическим экспериментом.
Анализ IDC показывает, что организации, которые создадут эту инфраструктуру сейчас, получат больше пользы от существующих развертываний агентного ИИ и будут структурно лучше подготовлены к масштабированию по мере появления следующей волны возможностей.
